لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش تشخیص تقلب در پایتون
دانلود Fraud Detection in Python
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
یک پروژه یادگیری ماشینی موثر برای شناسایی موارد جرم مالی بسازید. استفاده از Python برای تجزیه و تحلیل نمونه مجموعه داده های کلاهبرداری کارت اعتباری آموزش و بهبود مدل های مختلف یادگیری ماشینی تحت نظارت برای تشخیص تقلب ایجاد و تفسیر معیارهای عملکرد مربوط به تشخیص تقلب انتخاب مدل طبقه بندی بهینه بر اساس معیارهای مختلف استفاده از استراتژی های مختلف برای بهبود عملکرد کلاهبرداری خود مدل های تشخیص پیش نیازها: با زبان برنامه نویسی پایتون آشنا باشید. درک اصول پایه علم داده و یادگیری ماشین.
اگر علاقه مند به کشف کلاهبرداری با استفاده از یادگیری ماشین هستید، این دوره برای شما مناسب است!
تقلب یک مشکل بزرگ برای بسیاری از سازمانهای مدرن است، زیرا بازیگران بد هم از نظر روششناسی و هم توانایی فنی به طور فزایندهای پیچیده میشوند. بنابراین کشف تقلب مشکل مهمی است که هرگز به طور کامل حل نخواهد شد. با گذراندن این دوره، شما با یک مجموعه مهارت قابل استخدام که احتمالاً مرتبط خواهد بود و برای سالهای آینده، سطح بالایی خواهید داشت.
این دوره توسط خود من، دانشمند داده اصلی با مدرک دکترا در یادگیری ماشین و تخصص در دنیای واقعی در به کارگیری مدلهای یادگیری ماشینی تولید برای کشف تقلب در صنعت خدمات مالی، ایجاد شده است.
در این دوره، دانش آموزان با مشکل تقلب در صنعت آشنا می شوند و چگونه می توان آن را از طریق معرفی روش های مختلف یادگیری ماشین حل کرد. من شما را از طریق یک مثال مشکل تشخیص تقلب راهنمایی می کنم، که در آن به طور عملی با مدل های ساختمانی با استفاده از پایتون آشنا خواهید شد. این شامل پیمایش مشکل چالش برانگیز تقلب می شود، جایی که باید توجه ویژه ای به ماهیت بسیار نامتعادل داده ها داده شود.
دروس تحت پوشش این دوره عبارتند از:
درس 1 - مقدمه ای بر کشف تقلب: تشخیص ناهنجاری، عدم تعادل کلاس
درس 2 - آموزش یک مدل یادگیری ماشینی نظارت شده برای شناسایی تقلب: رگرسیون لجستیک، XGBoost، بهبود عملکرد از طریق بهینه سازی هایپرپارامتر
درس 3 - معیارهای عملکرد برای کشف تقلب: ماتریس سردرگمی، هزینه طبقهبندی اشتباه، پارادوکس دقت، اجرای معیارها در scikit-learn
درس 4 - انتخاب مدل بهینه: بهینه سازی آستانه با استفاده از معیارهای عملکرد، بهینه سازی آستانه با استفاده از هزینه تقلب، مقدمه ای بر Streamlit، ساخت یک شبیه ساز آستانه برای بازرسی بصری
هر درس مبتنی بر دانش عملی به دست آمده در درسهای قبل است و به دانشآموزان اجازه میدهد تا یک پروژه پایانبهپایه تکمیلشده را به عنوان خروجی نهایی دوره تولید کنند. این پروژه میتواند به عنوان بخش مهمی از مجموعه پروژههای دانشآموزان باشد و به جستجوی شغل و تلاشهای توسعه حرفهای آنها کمک کند.
پشته فناوری Python مورد استفاده در این دوره شامل موارد زیر است: pandas، numpy، matplotlib، scikit-learn، seaborn، XGBoost، Streamlit و imblearn.
نمایش نظرات